KI-Agent

Agenten & Fortgeschrittenes

KI-Agent — KI, die mehrschrittige Aufgaben selbständig plant und ausführt — nicht nur antwortet, sondern handelt. Mit Function Calling, externen APIs und manchmal eigenständigen Browsing-Sessions.

Was einen KI-Agenten von einem Chatbot unterscheidet

Ein klassischer Chatbot antwortet auf Fragen. Ein KI-Agent plant und führt aus. Drei Bauteile machen den Unterschied:

1. Plan: Aufgabe in Teilschritte zerlegen
2. Tools: externe Funktionen aufrufen (Suche, Datenbank, E-Mail, APIs)
3. Iteration: Ergebnisse prüfen und nachsteuern

Beispiel: Statt „Schreibe mir eine Marktanalyse zu Thema X" liefert dir der Agent: recherchiert Quellen, holt aktuelle Daten via Web-Search, strukturiert, schreibt, prüft, formatiert, postet ins Notion-Workspace.

Die drei Generationen von KI-Agenten

Generation 1 (2023–2024): Workflow-Engines mit KI

Make, Zapier, n8n mit eingebauten LLM-Aufrufen. Vordefinierte Schritte, KI füllt einzelne Stellen aus. Robust, aber starr.

Generation 2 (2024–2025): ReAct + Function Calling

LLMs entscheiden zur Laufzeit, welches Tool aufgerufen wird. Begriff „Function Calling" (OpenAI) bzw. „Tool Use" (Anthropic). Erste echte Agenten — aber noch brüchig bei längeren Aufgabenketten.

Generation 3 (2025–2026): MCP + spezialisierte Agenten

Model Context Protocol standardisiert die Tool-Anbindung. Spezialisierte Agenten (Browser-Use, Code-Editing, Computer-Use) erreichen produktive Reife.

Praxisbeispiele für KI-Agenten im KMU

1. Lead-Recherche-Agent

Eingehende Sales-Lead → Agent recherchiert das Unternehmen (Web, LinkedIn, Pressemitteilungen) → erstellt Briefing-Dokument im CRM → schlägt erste E-Mail vor.
Setup: 2–3 Tage
Zeit-Ersparnis: 30–45 min pro Lead

2. Buchhaltungs-Agent

Beleg-Foto in E-Mail → Agent extrahiert Daten (Lieferant, Datum, Betrag, USt.) → validiert gegen Lieferanten-Stammdaten → erstellt Buchungs-Vorschlag → bei Unklarheit Rückfrage an Buchhalterin.
Setup: 1 Woche
Zeit-Ersparnis: 5–8 Stunden pro Monat bei 30 Belegen

3. Content-Distribution-Agent

Neuer Blog-Artikel → Agent erstellt LinkedIn-Post, Twitter-Thread, Newsletter-Snippet → optimiert für jede Plattform → postet zu definierten Zeiten → trackt Performance.
Setup: 2–3 Tage
Zeit-Ersparnis: 1–2 Stunden pro Artikel

Tool-Stack für KI-Agenten

Plattform-Agenten (Cloud)

• n8n mit AI-Agent-Node: 2026 die produktiv-tauglichste Lösung. Drag-and-Drop + Programmier-Power.
• Make.com AI Tools: Visueller, einfacher, weniger flexibel
• Zapier AI Actions: Standard-Use-Cases, breite App-Integration

Custom-Agenten (Code-Basiert)

• LangChain / LangGraph: Python-Framework, sehr flexibel, mittlere Lernkurve
• LlamaIndex: Stark für RAG-zentrierte Agenten
• Anthropic Claude Agent SDK: 2026 mit Tool Use, Computer Use, gut für komplexe Agenten

Spezialagenten

• Browser-Use: Agenten, die echte Browser bedienen
• Cursor / Cline: Code-Editing-Agenten
• Claude Code: CLI-Agent für Software-Entwicklung

Was funktioniert — und was 2026 noch nicht

Funktioniert produktiv

• Klar strukturierte Workflows mit 3–8 Schritten
• Datenextraktion + Anreicherung
• Content-Bearbeitung in definierten Pipelines
• Internal-Knowledge-Retrieval + Antwort-Generation

Noch nicht produktiv

• Vollautonome Geschäftsentscheidungen
• Komplexe Multi-Stakeholder-Verhandlungen
• Sehr lange (50+ Schritte) Aufgabenketten ohne Aufsicht
• Sicherheitskritische Operationen ohne menschlichen Freigabe-Schritt

Risiken bei KI-Agenten

Halluzinationen verstärken sich über Schritte

Wenn ein Agent in Schritt 1 etwas leicht Falsches erzeugt und Schritt 2 darauf aufbaut, wird der Fehler verstärkt. Wichtig: Validierungs-Schritte einbauen.

Kostenexplosion durch lange Ketten

Ein Agent mit 20 LLM-Aufrufen kostet bei API-Pricing schnell 0,50–2,00 € pro Durchlauf. Bei tausenden Durchläufen pro Tag relevant.

Compliance-Risiko

Wer ist verantwortlich, wenn der Agent eine fehlerhafte E-Mail an einen Kunden schickt? Klare Eskalations- und Approval-Pfade definieren.

Best Practices für KMU

1. Erst Workflow-Engine (n8n/Make), dann Custom-Agenten
2. Mensch immer im Loop für finale Aktionen (Senden, Bestellen, Buchen)
3. Logging und Audit-Trails für jeden Agent-Lauf
4. Fail-safes: bei Unsicherheit eskalieren statt erfinden
5. Klare Use-Case-Grenzen — keine „Mach was du willst"-Agenten

Verwandte Begriffe

Function Calling · MCP · RAG · Workflow · n8n